AI改色不改款怎么做到:同一款商品20个颜色批量生成的对照实验记录

做这个实验的起因挺土：我们一款帆布托特包上了 20 个配色，运营图省事，拿一张母图套了 20 次颜色变量，结果一半颜色偏得客户认不出。我索性拉了个对照实验——对照组逐色自由生成，实验组用栖影AI 的母图加颜色变量派生，两边各出 20 张，逐张打分。这篇是实验记录，数据是我们自己一张张标的，结论也留了边界，不是软文。

实验缘起：为什么"只换颜色"这么难

这款托特包的结构很普通：帆布本体、两条织带、前袋一个刺绣 logo、底部一块补强皮。麻烦在于"改色"要同时动三样东西——帆布底色、织带颜色、刺绣线的颜色——但你只希望这三样按配色表变，别的都不能动。

早期我们用自由生成，每色写一段描述："军绿色帆布托特包，米色织带，深绿刺绣 logo……"。听上去很具体，实际上每次模型都会顺手改点别的：有时把织带宽度改了，有时把前袋位置挪了，甚至有一次把刺绣 logo 的字体换成了花体。20 张图摆在一起，像 20 个不同厂家做的包。

这就是"改色不改款"的难点：它本质是一个约束问题，不是描述问题。你描述得再细，也不如直接给模型一个"可以照着抄的本体"。

实验设计

我把实验拆成四个要素，尽量让两边只差一个变量。

评价标准我提前写死，避免事后找补：色差分"接近 / 可接受 / 明显偏"，轮廓分"一致 / 轻微变形 / 错了"，可用就是"能不能不修直接上架"。

这里有个容易被忽略的设计：对照组给每色 4 张取 1 张，是留了"抽卡余地"的；实验组只出 1 张，是不给自己退路的。这样比出来的差距只会偏保守——如果对照组多抽几次，它的可用率还会往上走一点，但代价是时间。我在后面单独算这笔时间账。

对照组：自由生成的实际产出

对照组跑了 20 个色，每色 4 张，总共 80 张候选，我挑出每色最能看的一张。

结果不乐观。20 个色里，色差"接近"的只有 7 个，"可接受"6 个，"明显偏"7 个；轮廓"一致"11 个，"轻微变形"6 个，"错了"3 个；能直接上架的 11 张。

偏得比较多的是几个中间色。比如"雾霾蓝"，出来偏灰绿；"藕粉"出来偏裸橘；"军绿"出来直接变成橄榄褐。这三个色我在后面的解剖里单独说。

还有一个隐性成本：自由生成没有"批量"概念，20 个色，每色 4 张，就是 80 次生成。光挑图、比对配色表就花了大半天。运营的耐心主要耗在这个环节——不是不会生成，是生成完还得人肉筛。

实验组：母图加变量派生

实验组的做法只有三步，但每一步都对着"约束"去：

1. 锁母图：上传实拍白底图，让模型以它为固定本体参照，轮廓、织带宽度、前袋位置都从这张图里读。
2. 建颜色变量：把帆布底色、织带色、刺绣线色做成三个可填的变量槽，20 个配色就是 20 组填值。
3. 模板派生：模板固定构图和光线，只换变量，20 组一次出 20 张。

同样 20 个色，实验组没有"每色 4 张取 1 张"的余地——它每色就出 1 张，靠约束而不是靠抽卡。这也是为什么我在设计里说它"不给自己退路"：如果约束真的生效，1 张就该是 1 张；如果 1 张不对，说明约束没吃进去，得回去修母图或变量，而不是靠多抽几张蒙过去。

两边的硬指标对比

"单色平均耗时"这一项差距比可用率还扎眼。对照组的时间不是花在生成上，是花在"生成完还得挑、还得比配色表"上；实验组出 1 张就是 1 张，省掉的是挑选环节。

轮廓和 logo 保真这两项，实验组几乎是压倒性的 19/20。这其实好理解：自由生成每次都要"重新理解"这个包长什么样，而母图派生是"照着这张图换颜色"，本体信息不丢。真正拉不开差距的是色差项，15/20 对 7/20，实验组好，但没有好到能闭眼用。

三个翻车色解剖

实验组也不是全对，20 个色里有 2 个还得人工修。我把翻得比较典型的三个色拆开看，正好覆盖三种失败类型。

雾霾蓝——中间色最不稳。这个色本身处在蓝和灰之间，模型容易往两边跑。实验组出来偏了一点点绿，不细看不明显，但和色卡比对就有差。处置是把它单独拉出来，颜色变量写得更偏"灰蓝"而不是"蓝"，再派生一次就对了。

藕粉——低饱和暖色容易发灰。纯色高饱和（正红、正蓝）反而稳，因为颜色没有歧义。低饱和的粉、杏、雾色是重灾区。实验组这次给了可接受，但和样布比仍偏橘。后来我们这类色的做法是补一张该色的实拍局部，作为第二参考。

军绿——深色系的明度容易塌。军绿出来偏暗，织带的米色被带得也暗了一档。原因是深色主体的整体曝光被压。处置是把光线变量往上提半档，单独重派生这个色。

这三个案例说明一件事："改色不改款"能解决结构和本体的稳定，但解决不了颜色本身的歧义。中间色、低饱和色、深色，仍然需要人工补参考或补光。

结论：只改色不改款成立的条件

把实验收一下，我总结出三个条件，缺一个就得降级处理：

• 结构简单、变量可枚举：帆布包、T 恤、马克杯这类，本体结构固定，颜色变量能拆成有限的几组，成功率就高。反过来，褶皱多、材质反光、结构不对称的商品，本体本身就难锁，改色更容易连带失真。
• 有靠谱的白底母图：这是前提。母图糊、角度歪、光线乱，派生出来的每一色都会继承这些问题，20 张一起错。母图这一关省不得。
• 颜色有明确参照：纯色靠色卡，中间色和低饱和色要靠实拍局部。没有参照时，模型只能猜，猜错的比例不低。

反过来说，如果你的商品是"结构乱、没母图、颜色还都是雾面中间色"，那这套流程跑出来可用率不会好看，老老实实上实拍或外包更省心。工具不是样样行的，认清它擅长什么，比硬套流程重要。

实验之外：栖影AI 在这一步做了什么

说白了，这个实验能跑完，靠的不是我描述得多好，而是栖影AI 把"本体"和"变量"分开了。栖影AI 在改色这一步干的事，对应三点：**图货一致（保真）**锁住商品轮廓、织带和材质，批量生产与模板复用把 20 个配色变成 20 组变量，多平台尺寸与规则适配让同一批图按各平台尺寸一次出完。展开说就是：

• 图货一致（保真）：母图钉住商品轮廓、织带、材质，派生时只有颜色变量在动，本体不会跟着飘，这是"不改款"能成立的根本。
• 批量生产与模板复用：20 个配色做成 20 组变量，一个模板一次派生，20 色从"重画 20 次"变成"填 20 组值"，这是耗时从 4 小时压到 1 小时的原因。
• 多平台尺寸与规则适配：同一批改色图，按主图、详情页、不同平台的尺寸一次出完，不用改完色再逐平台裁一遍。

我特别想强调保真那一条的反面：如果工具不能保真，那"批量"反而会放大错误——20 张一起偏色，返工量是单张的 20 倍。所以选工具时，保真和批量要一起看，只有批量没有保真，等于批量制造返工。

这套实验的局限

得说清楚，这是个单款实验，样本只有 20 个色、一个品类，结论往别的类目推要打折。帆布包的结构是"硬"的，换到针织、真丝、亮片这类"软"的材质，母图锁形会更难，可用率大概率往下掉。我们后来做卫衣和连衣裙时，同样的流程可用率降到七成多，靠的是加参考图和人工复核补回来。

另外，色差是我肉眼加色卡判的，没有用色差仪，属于"够用"精度，不是实验室精度。写出来是给同样在做铺货、做多配色的人一个可复现的参考，不是论文。谁要拿去当验收标准，建议自己先按同一套口径复测一遍。

复现清单

如果你想自己复一遍，按这个顺序：

1. 选一款结构清晰、配色可枚举的商品，先把 20 个配色列成表；
2. 拍或找一张干净的白底母图，一张就够，别用多张混着派；
3. 把颜色拆成变量槽（本体色 / 配件色 / 图案色），一个个填；
4. 先派生 3 个色试跑，比对色卡，确认约束生效再往下走；
5. 再放全 20 色，逐色比对，偏的单独补参考或补光重跑；
6. 上架前按平台尺寸批量出图，别改完色再单张裁。

本文基于栖影AI实际使用记录整理，功能以qiyinghub.com最新版本为准。